1.基于Transformer的语义分割 2.训练自己的数据集，二分类 3.参考博客链接：https://blog.csdn.net/qq_20373723/article/details/126450108?spm=1001.2014.3001.5502

EarthMapper EarthMapper的项目存储库。 这是用于非RGB（即多光谱/高光谱）图像的语义分割的工具箱。 我们将努力添加更多示例和更好的文档。 描述 这是过去几年中我们从事的各种项目的分类管道。 当前可用的选项包括： 预处理 MinMaxScaler-在给定特征范围（例如0-1）之间缩放数据（每通道） StandardScaler-将数据（每通道）缩放到零均值/单位方差 PCA-通过主成分分析降低尺寸 标准化-使用每通道L2范数缩放数据 空间光谱特征提取 堆叠卷积自动编码器（SCAE） 堆叠式多损失卷积自动编码器（SMCAE） 分类器 SVMWorkflow-具有给定训练/验证拆分的支持向量机 SVMCVWorkflow-支持向量机，使用n折交叉验证来找到最佳超参数 RandomForestWorkflow-随机森林分类器 MLP-多层感知器神经网络分类器 SSML

通过python脚本构造focal loss曲线；焦点损失函数是重加权的一个典型代表，被广泛应用于目标检测和语义分割。

Unet语义分割训练和TensorRT部署

1、 训练数据准备 所有数据均放置于Sample\Build\下，其中Build为数据类型，根据自己需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照: Sample\Build\train\ IMG_T1 -----------------------\ IMG_LABEL -----------------\val\ IMG_T1 -----------------------\IMG_LABEL 2、 训练参数设置 参数和运行皆在dp0_train.py中，主要参数包括： （1） num_epochs，训练批次 （2） learning_rate，学习率 （3） dataset，步骤一自己构建的数据集名称 （4） band，输入数据通道数（波段数） （5） n_class, 模型输出通道数（类别） 设置好后点击run即可 3、 训练模型位置 模型结构放与net文件中，生成模型文件pt位于Checkpointspath\ 4、 预测使用 填写参数 Checkpointspath，模型位置名称 Dataset，待预测数据文件夹 Outputpath，输出数据文件夹

基于PPLiteSeg的车道线语义分割算法，自制成可实时调用的API，设置逻辑使其能实时输出相应的转向角度，帮助无人车在沿车道行驶的路况下实现无人驾驶。 博客地址：https://blog.csdn.net/weixin_51331359/article/details/126223158?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22126223158%22%2C%22source%22%3A%22weixin_51331359%22%7D&ctrtid=KeE3k

基于PP-LiteSeg的框架下训练的仿真环境下的语义分割模型，本人对predict函数进行了爆改，来实现了低延时的实时语义分割。 博客地址：https://blog.csdn.net/weixin_51331359/article/details/126137279?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22126137279%22%2C%22source%22%3A%22weixin_51331359%22%7D&ctrtid=I6dOl

mask_rcnn的最新版本模型

nuclick组织病理数据集，用于病理分析，深度学习。三种不同类型的细胞定位，语义分割。 包含原图，标签图（rgb标签）

语义分割json数据转图片png数据训练